Attitudes of Pakistani Undergraduate ESL Students toward Artificial Intelligence in Improving English Writing Skills
Notice bibliographique
Résumé
English writing proficiency is vital for educational, professional and personal development. With the rapid growth of Artificial Intelligence (AI) in academia, understanding its impact on language learning is essential. Students' attitudes toward AI influence their motivation, engagement, and learning outcomes. This mixed-method research aimed to explore the attitudes of Pakistani English as a Second Language (ESL) undergraduates toward AI in improving writing skills. Perceived usefulness, ease of use, and behavioral intentions of ESL undergraduates toward AI are examined through the integration of Technology Acceptance Model (TAM) and Constructivist Learning Theory (CLT). This study also investigated the influence of motivation, engagement, and societal expectations on AI adoption for improving writing skills along with the constructivist learning strategies used by students. Quantitative data were collected from 215 students through a Google survey and semi-structured interviews were used to gather qualitative data from 10 students. Descriptive statistics and percentages were used to analyze quantitative data; however, qualitative data were analyzed through thematic analysis. The findings highlight that ESL undergraduates’ attitudes are strongly influenced by perceived usefulness and ease of use; however, attitudes and behavioral intentions received slightly lower scores. Furthermore, challenges related to over-dependency, ethical considerations, and subscription issues affect AI adoption. Motivation and societal expectations increase AI adoption; on the contrary, learner-centered and interactive approaches are needed to enhance engagement levels. Additionally, this study suggests the need for AI ethical guidelines, institutional support, and literacy training to fully benefit from AI tools in improving writing skills.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».